红外与可见光图像融合：FCM与ADSCM算法

"本文提出了一种基于模糊C-均值(FCM)聚类和自适应双通道脉冲发放皮层模型(ADSCM)的红外与可见光图像融合算法，利用非下采样剪切波变换(NSST)对源图像进行分解，然后通过结合FCM和ADSCM对子带图像进行融合处理，最后通过逆NSST得到融合后的图像。实验结果显示，该方法在保留可见光图像背景信息的同时，能有效提取红外图像的目标信息，并在平均梯度、互信息和边缘保留因子等方面表现出优于传统方法的效果。" 在图像处理领域，图像融合是一种重要的技术，它能够将来自不同传感器或不同成像条件的多源图像信息集成到一个单一的图像中，以提高图像的视觉效果和分析能力。本文提出的融合算法结合了两种不同的模型，FCM和ADSCM，以优化红外与可见光图像的融合。 模糊C-均值(FCM)聚类是一种常见的图像分割方法，其优点在于能保持原始图像的大部分信息，通过模糊隶属度的概念，FCM可以更平滑地处理像素间的边界，使得图像分割更加自然且适应性更强。在图像融合中，FCM用于区分不同特征的图像区域，有助于目标和背景的分离。 自适应双通道脉冲发放皮层模型(ADSCM)是受到生物神经网络启发的一种模型，它具有全局耦合、脉冲同步和参数少等特点，因此计算效率高。ADSCM特别适用于处理较暗区域的信息，这对于红外图像的处理尤其重要，因为红外图像通常包含大量的暗区信息。 非下采样剪切波变换(NSST)是一种多分辨率分析工具，它可以提供良好的频域选择性和空间局部性，使图像的高频细节和低频背景信息得以清晰分离，为图像融合提供合适的中间表示。 论文中提到的融合算法流程如下：首先，源图像通过NSST进行分解；接着，使用FCM和ADSCM对各子带图像进行融合处理，这一步骤旨在优化不同特征的组合，以达到最佳的融合效果；最后，通过逆NSST将融合的子带图像重构为完整的融合图像。 实验结果表明，所提出的融合算法在保留可见光图像的背景信息方面表现出色，同时能有效提取红外图像中的目标信息，特别是在对比度增强和边缘保持方面有显著优势。平均梯度、互信息和边缘保留因子是评价图像融合质量的重要指标，该方法在这几个方面都优于其他传统方法，证明了其在红外与可见光图像融合领域的有效性。这种方法对于军事侦察、遥感监测和医学成像等领域有着重要的应用价值。